mistralai/Timestral-209M

Mistral 的时间序列基础模型（本仓库为 209M 版）：不用训练直接预测，支持单变量、多变量和协变量，一次输出 21 个分位数的概率预测。 上升分 245 · 点赞 346 · 下载量 8731 **理由** - 官方称最长读入 32,768 个历史时间步，单次前向预测 1,024 步，更长的预测按块滚动；缺失值标 NaN 即可。 - 支持只在过去已知和未来也已知的协变量，数值和类别型都可，适合销量、负载、能耗这类带日历或促销信息的序列。 - 官方称在 GIFT-Eval、TIME、fev-bench 三个零样本榜上领先，GIFT-Eval MASE 0.658、CRPS 0.446，略好于 TimesFM-3 和 Chronos-2；家族另有 5M、28M、123M 版。上升分 245 只代表关注度。 **用法** - pip install git+https://github.com/mistralai/timestral.git（Python 3.10+、torch 2.4+）。 - TimestralForecaster.from\_pretrained("mistralai/Timestral-209M") 后调用 forecast(context, prediction\_length=96)，用 .median 和 .quantile(0.1/0.9) 取中位数和区间。 - CPU 或 GPU 都可推理；对精度要求不高时可换更小的 123M / 28M 版，官方表格显示 123M 与 209M 差距很小。 **风险** - 改版 MIT 许可，使用前读仓库 LICENSE；技术报告尚未发布。 - 与其他模型的领先幅度很小（GIFT-Eval MASE 0.658 对 0.661），分数取自公开榜单，具体业务数据仍需自己回测。 [打开](https://huggingface.co/mistralai/Timestral-209M)